Annotation syntaxique automatique de la partie orale du ORFÉO

Résumé En Fr

Automatic syntactic parsing of the spoken part of the céfcThis paper presents the linguistic annotation tools that were developed in the framework of the orféo project and used to annotate the different corpora. Two important points are developed. The first one is sentence segmentation, which is a difficult problem when processing speech transcriptions. We show that taking into account syntax allows to obtain good segmentation performance. The second is the introduction of metadata features in the parsing process in order to adapt the models to the variety of data collected. The results obtained on the orféo corpus validate the proposed approaches and make it possible to estimate the quality of the annotations produced automatically on the orféo corpora which are not validated manually.

Cet article présente les outils informatiques, développés dans le cadre du projet orféo, qui permettent de prédire de manière automatique les annotations linguistiques, en particulier les parties de discours, les lemmes, les dépendances syntaxiques et la segmentation des énoncés. Deux points importants sont mis en avant. Le premier est la segmentation en énoncés, qui est un problème difficile du traitement linguistique de l’oral. Nous montrons que la prise en compte de la syntaxe permet d’obtenir de bonnes performances de segmentation. Le second concerne la prise en compte de métadonnées dans les outils afin d’adapter ces derniers à la variété des données collectées. Les résultats obtenus sur le corpus de référence valident les approches proposées et permettent d’estimer la qualité des annotations produites automatiquement sur la portion du Corpus d’Étude pour le Français Contemporain ( céfc) non validée manuellement.